乳腺癌是全球女性死亡率最高的恶性肿瘤之一,早期发现有助于提升患者的存活率。本文利用深度学习中的目标检测网络对乳腺X线图像中的肿瘤病变区域进行定位和分类;然后选取Mask R-CNN网络作为目标检测模型,对Mask R-CNN的基准网络D-ShuffleNet进行改进,提出了一种新的网络——Mask R-CNN-II网络,并在Mask R-CNN-II网络中应用迁移学习算法。通过实验验证了Mask R-CNN-II网络比Mask R-CNN网络的检测精度更高,而且验证了所提基准网络、所使用的融合图像的思想以及迁移学习算法是有效的。Mask R-CNN-II有利于提高乳腺肿瘤的定位与分类,可为放射科医生提供辅助诊断意见,具有一定的临床应用价值。

CNN-DNN-RNN区别

以CIFAR10数据为例的分类器 实验课作业，由于是很经典的分类任务，所以整理了一下记录下来，实际上TensorFlow源码中就有很好的CIFAR10示例（包含单机和多样化版本），不过既然要交作业，自己的在基础CNN分类的版本外，添加了使用ResNet进行分类的实验，收敛速度远快于基础CNN。 一，文件介绍 公用脚本 ops.py网络层封装实现，已被Advanced_CNN.py和ResNet.py调用cifar10_input.py ：数据读入相关函数脚本，包含对训练数据和测试数据的不同预先路径设置eval_CNN.py ：测试用eval_CNN.py ，读取./images目录下的图片文件，并输出对应的预测结果 基础CNN分类器相关脚本 Advanced_CNN.py ：使用CNN的分类器，脚本本身包含了网络构建和训练相关的摘要，可以直接运行训练数据 ResNet相关脚本 ResNet

基于CNN预测的可逆数据隐藏 作者： 胡润文和项世军 暨南大学信息科学与技术学院/网络安全学院，广州 描述： 该版本只能通过使用建议的基于CNN的具有扩展嵌入和直方图偏移的预测器（CNNP）来计算图像的PSNR。 工作环境是Windows 10，Python 3.7，PyTorch 1.6.0和MATLAB 2019a。 这项工作基于以下论文： R. Hu和S. Xiang，“基于CNN预测的可逆数据隐藏”，在IEEE信号处理快报中，第1卷。 28，pp.464-468，2021，doi：10.1109 / LSP.2021.3059202。 资料夹说明： “ standard_test_images”：此文件夹包含本文中使用的四个标准图像。 其他图像来自ImageNet。 “模型”：此文件夹包含建议的基于CNN的预测变量。 “ model_parameter”：此文件夹包含建议的

这是一个基于tensorflow的简单的卷及神经网络，使用MNIST数据集进行手写数字识别。网络为FCN，即全卷积神经网络，总共有四层。前两层same padding，最大池化，后两层进行1x1的卷积。使用softmax输出结果，误差为交叉熵。最终在测试集上准确率在99%左右

一维CNN+LSTM结构.py

神经网络；CNN；R-CNN

手工打造的深度神经网络，包含3个卷基层，包含训练和测试的所有程序，带训练好的model，值不值这分，代码说了算。

中国是传统的农业大国, 农业不仅是国民经济建设与发展的基础, 也是社会正常稳定有序运行的保障. 然而每年由于农作物病虫害造成的损失巨大, 且传统的农作物病虫害识别方法效果并不理想. 同时近年深度学习飞速发展, 在图像分类与识别的方面取得了巨大进展. 因此本文通过基于深度学习的方法构建农作物病虫害图像识别模型, 并针对样本不平衡问题改进卷积网络损失函数. 实验证明该模型可以对农作物病虫害进行有效识别并且对损失函数进行优化后模型的准确率也进一步得到了提升.

一篇slam相关论文，结合了深度学习。用CNN单帧预测深度，可以解决单目slam中尺度不确定性、纯旋转、低纹理区域等问题。